Yandex تجربہ کار بیک اینڈ ڈویلپرز کے لیے مشین لرننگ میں ایک ریزیڈنسی پروگرام کھول رہا ہے۔ اگر آپ نے C++/Python میں بہت کچھ لکھا ہے اور اس علم کو ML پر لاگو کرنا چاہتے ہیں، تو ہم آپ کو عملی تحقیق کرنے اور تجربہ کار اساتذہ فراہم کرنے کا طریقہ سکھائیں گے۔ آپ کلیدی Yandex خدمات پر کام کریں گے اور خطوطی ماڈلز اور گریڈینٹ بوسٹنگ، سفارشی نظام، تصاویر، متن اور آواز کا تجزیہ کرنے کے لیے نیورل نیٹ ورک جیسے شعبوں میں مہارت حاصل کریں گے۔ آپ یہ بھی سیکھیں گے کہ میٹرکس آف لائن اور آن لائن کا استعمال کرتے ہوئے اپنے ماڈلز کا صحیح طریقے سے جائزہ کیسے لیا جائے۔
پروگرام کی مدت ایک سال ہے، جس کے دوران شرکاء Yandex کے مشینی ذہانت اور تحقیق کے شعبے میں کام کریں گے، ساتھ ہی لیکچرز اور سیمینارز میں بھی شرکت کریں گے۔ حصہ داری ادا کی جاتی ہے اور اس میں کل وقتی کام شامل ہوتا ہے: 40 گھنٹے فی ہفتہ، اس سال 1 جولائی سے شروع ہوتا ہے۔ اور یکم مئی تک چلے گا۔
اور اب مزید تفصیل سے - اس بارے میں کہ ہم کس قسم کے سامعین کا انتظار کر رہے ہیں، کام کا عمل کیا ہوگا اور عام طور پر، ایک بیک اینڈ اسپیشلسٹ ایم ایل میں اپنے کیریئر میں کیسے تبدیل ہو سکتا ہے۔
ہدایت
بہت سی کمپنیوں کے پاس ریذیڈنسی پروگرام ہیں، بشمول، مثال کے طور پر، گوگل اور فیس بک۔ ان کا مقصد بنیادی طور پر جونیئر اور درمیانی سطح کے ماہرین ہیں جو ایم ایل ریسرچ کی طرف قدم اٹھانے کی کوشش کر رہے ہیں۔ ہمارا پروگرام مختلف سامعین کے لیے ہے۔ ہم بیک اینڈ ڈویلپرز کو مدعو کرتے ہیں جنہوں نے پہلے ہی کافی تجربہ حاصل کر لیا ہے اور وہ یقینی طور پر جانتے ہیں کہ صنعتی مشین سیکھنے کے مسائل کو حل کرنے میں انہیں عملی مہارت حاصل کرنے کے لیے ML کی طرف جانے کی ضرورت ہے۔ اس کا مطلب یہ نہیں ہے کہ ہم نوجوان محققین کی حمایت نہیں کرتے۔ ہم نے ان کے لیے ایک الگ پروگرام ترتیب دیا ہے۔ Ilya Segalovich کے نام پر رکھا گیا ہے، جو آپ کو Yandex میں کام کرنے کی بھی اجازت دیتا ہے۔
رہائشی کہاں کام کرے گا؟
مشین انٹیلی جنس اور تحقیق کے شعبہ میں، ہم خود پروجیکٹ کے آئیڈیاز تیار کرتے ہیں۔ الہام کا بنیادی ذریعہ سائنسی ادب، مضامین، اور ریسرچ کمیونٹی میں رجحانات ہیں۔ میں اور میرے ساتھی تجزیہ کرتے ہیں کہ ہم کیا پڑھتے ہیں، یہ دیکھتے ہوئے کہ ہم سائنس دانوں کے تجویز کردہ طریقوں کو کیسے بہتر یا بڑھا سکتے ہیں۔ ایک ہی وقت میں، ہم میں سے ہر ایک اپنے علم اور دلچسپی کے شعبے کو مدنظر رکھتا ہے، ان شعبوں کی بنیاد پر کام کی تشکیل کرتا ہے جنہیں وہ اہم سمجھتا ہے۔ کسی پروجیکٹ کا خیال عام طور پر بیرونی تحقیق کے نتائج اور کسی کی اپنی قابلیت کے سنگم پر پیدا ہوتا ہے۔
یہ سسٹم اچھا ہے کیونکہ یہ Yandex سروسز کے تکنیکی مسائل کو پیدا ہونے سے پہلے ہی حل کر دیتا ہے۔ جب کسی سروس کو کوئی مسئلہ درپیش ہوتا ہے، تو اس کے نمائندے ہمارے پاس آتے ہیں، زیادہ تر امکان ہے کہ وہ وہ ٹیکنالوجیز لیں جو ہم نے پہلے سے تیار کر رکھی ہیں، جو باقی رہ جاتی ہے اسے پروڈکٹ میں صحیح طریقے سے لاگو کرنا ہے۔ اگر کچھ تیار نہیں ہے تو، ہم کم از کم جلدی سے یاد رکھیں گے کہ ہم کہاں سے "کھدائی شروع" کر سکتے ہیں اور کن مضامین میں حل تلاش کرنا ہے۔ جیسا کہ ہم جانتے ہیں، سائنسی نقطہ نظر جنات کے کندھوں پر کھڑا ہونا ہے۔
کیا کرنا ہے
Yandex پر - اور یہاں تک کہ خاص طور پر ہمارے انتظام میں - ML کے تمام متعلقہ شعبے تیار کیے جا رہے ہیں۔ ہمارا مقصد مصنوعات کی وسیع اقسام کے معیار کو بہتر بنانا ہے، اور یہ ہر نئی چیز کو جانچنے کے لیے ایک ترغیب کے طور پر کام کرتا ہے۔ اس کے علاوہ، نئی خدمات باقاعدگی سے ظاہر ہوتی ہیں۔ لہذا لیکچر پروگرام صنعتی ترقی میں مشین لرننگ کے تمام کلیدی (اچھی طرح سے ثابت شدہ) شعبوں پر مشتمل ہے۔ کورس کے اپنے حصے کو مرتب کرتے وقت، میں نے اسکول آف ڈیٹا اینالیسس میں اپنے تدریسی تجربے کے ساتھ ساتھ دیگر SHAD اساتذہ کے مواد اور کام کا استعمال کیا۔ میں جانتا ہوں کہ میرے ساتھیوں نے بھی ایسا ہی کیا۔
پہلے مہینوں میں، کورس کے پروگرام کے مطابق تربیت آپ کے کام کے وقت کا تقریباً 30%، پھر تقریباً 10% ہوگی۔ تاہم، یہ سمجھنا ضروری ہے کہ خود ML ماڈلز کے ساتھ کام کرنے میں تمام متعلقہ عملوں سے تقریباً چار گنا کم وقت لگے گا۔ ان میں بیک اینڈ کی تیاری، ڈیٹا وصول کرنا، اسے پری پروسیسنگ کے لیے ایک پائپ لائن لکھنا، کوڈ کو بہتر بنانا، مخصوص ہارڈویئر کو اپنانا وغیرہ شامل ہیں۔ ایک ایم ایل انجینئر، اگر آپ چاہیں، ایک مکمل اسٹیک ڈویلپر ہوتا ہے (صرف مشین لرننگ پر زیادہ زور دینے کے ساتھ) شروع سے آخر تک کسی مسئلے کو حل کرنے کے قابل۔ یہاں تک کہ ایک ریڈی میڈ ماڈل کے ساتھ، آپ کو ممکنہ طور پر بہت سی مزید کارروائیاں کرنے کی ضرورت ہوگی: اس کے عمل کو متعدد مشینوں میں متوازی بنائیں، ہینڈل، لائبریری، یا سروس کے اجزاء کی شکل میں عمل درآمد تیار کریں۔
طالب علم کا انتخاب
اگر آپ اس تاثر میں تھے کہ پہلے بیک اینڈ ڈویلپر کے طور پر کام کر کے ایم ایل انجینئر بننا بہتر ہے، تو یہ درست نہیں ہے۔ خدمات تیار کرنے، سیکھنے اور مارکیٹ میں بہت زیادہ مانگ بننے کے حقیقی تجربے کے بغیر اسی SAD میں داخلہ لینا ایک بہترین آپشن ہے۔ Yandex کے بہت سے ماہرین اپنی موجودہ پوزیشنوں پر اس طرح ختم ہوئے۔ اگر کوئی کمپنی آپ کو گریجویشن کے فوراً بعد ایم ایل کے شعبے میں نوکری دینے کے لیے تیار ہے، تو آپ کو بھی شاید اس پیشکش کو قبول کرنا چاہیے۔ ایک تجربہ کار استاد کے ساتھ اچھی ٹیم میں شامل ہونے کی کوشش کریں اور بہت کچھ سیکھنے کے لیے تیار ہو جائیں۔
عام طور پر آپ کو ML کرنے سے کیا روکتا ہے؟
اگر کوئی پسماندہ ایم ایل انجینئر بننے کا خواہشمند ہے، تو وہ ترقی کے دو شعبوں میں سے انتخاب کر سکتا ہے - رہائش کے پروگرام کو مدنظر رکھے بغیر۔
سب سے پہلے، کسی تعلیمی کورس کے حصے کے طور پر مطالعہ کریں۔ کورسیرا آپ کو بنیادی تکنیکوں کو سمجھنے کے قریب لے آئے گا، لیکن اپنے آپ کو کافی حد تک پیشے میں شامل کرنے کے لیے، آپ کو اس کے لیے بہت زیادہ وقت دینے کی ضرورت ہے۔ مثال کے طور پر، SAD سے گریجویٹ۔ سالوں کے دوران، SAD نے مشین لرننگ پر براہ راست مختلف کورسز کیے - اوسطاً، تقریباً آٹھ۔ ان میں سے ہر ایک واقعی اہم اور مفید ہے، بشمول گریجویٹس کی رائے میں۔
دوم، آپ جنگی منصوبوں میں حصہ لے سکتے ہیں جہاں آپ کو ایک یا دوسرا ML الگورتھم نافذ کرنے کی ضرورت ہے۔ تاہم، آئی ٹی ڈیولپمنٹ مارکیٹ میں ایسے بہت کم پروجیکٹس ہیں: زیادہ تر کاموں میں مشین لرننگ کا استعمال نہیں کیا جاتا ہے۔ یہاں تک کہ بینکوں میں بھی جو فعال طور پر ML سے متعلقہ مواقع تلاش کر رہے ہیں، صرف چند ہی ڈیٹا کے تجزیہ میں مصروف ہیں۔ اگر آپ ان ٹیموں میں سے کسی ایک میں شامل ہونے سے قاصر تھے، تو آپ کا واحد آپشن یہ ہے کہ یا تو اپنا پروجیکٹ شروع کریں (جہاں، زیادہ تر امکان ہے کہ، آپ اپنی ڈیڈ لائن خود طے کریں گے، اور اس کا جنگی پیداواری کاموں سے کوئی تعلق نہیں ہے)، یا مقابلہ شروع کریں۔ کاگل۔
درحقیقت، کمیونٹی کے دیگر اراکین کے ساتھ مل کر مقابلہ کریں اور اپنے آپ کو مقابلوں میں آزمائیں۔ - خاص طور پر اگر آپ کورسیرا پر تربیت اور ذکر کردہ کورسز کے ساتھ اپنی صلاحیتوں کا بیک اپ لیتے ہیں۔ ہر مقابلے کی ایک آخری تاریخ ہوتی ہے - یہ آپ کے لیے ایک ترغیب کا کام کرے گی اور آئی ٹی کمپنیوں میں اسی طرح کے نظام کے لیے آپ کو تیار کرے گی۔ یہ ایک اچھا طریقہ ہے - جو، تاہم، حقیقی عمل سے تھوڑا سا الگ بھی ہے۔ Kaggle پر آپ کو پہلے سے پروسیس شدہ ڈیٹا دیا جاتا ہے، اگرچہ ہمیشہ کامل نہیں ہوتا، ڈیٹا؛ مصنوعات میں شراکت کے بارے میں سوچنے کی پیشکش نہ کریں؛ اور سب سے اہم بات، انہیں پیداوار کے لیے موزوں حل کی ضرورت نہیں ہے۔ آپ کے الگورتھم غالباً کام کریں گے اور انتہائی درست ہوں گے، لیکن آپ کے ماڈل اور کوڈ فرینکنسٹائن کی طرح ہوں گے جیسے مختلف حصوں سے ایک ساتھ سلے ہوئے ہیں - ایک پروڈکشن پروجیکٹ میں، پورا ڈھانچہ بہت آہستہ کام کرے گا، اسے اپ ڈیٹ کرنا اور پھیلانا مشکل ہوگا (مثال کے طور پر، زبان اور آواز کے الگورتھم ہمیشہ جزوی طور پر دوبارہ لکھے جائیں گے جیسے جیسے زبان تیار ہوتی ہے)۔ کمپنیاں اس حقیقت میں دلچسپی رکھتی ہیں کہ درج کردہ کام نہ صرف آپ خود کرسکتے ہیں (یہ واضح ہے کہ آپ، حل کے مصنف کے طور پر، یہ کر سکتے ہیں)، بلکہ آپ کے ساتھیوں میں سے کوئی بھی۔ کھیلوں اور صنعتی پروگرامنگ کے درمیان فرق پر تبادلہ خیال کیا گیا ہے۔ , اور Kaggle بالکل "کھلاڑیوں" کو تعلیم دیتا ہے - یہاں تک کہ اگر یہ بہت اچھی طرح سے کرتا ہے، انہیں کچھ تجربہ حاصل کرنے کی اجازت دیتا ہے۔
میں نے ترقی کی دو ممکنہ لائنوں کو بیان کیا - تعلیمی پروگراموں کے ذریعے تربیت اور "جنگ میں" تربیت، مثال کے طور پر Kaggle پر۔ ریزیڈنسی پروگرام ان دو طریقوں کا مجموعہ ہے۔ ایس اے ڈی کی سطح پر لیکچرز اور سیمینارز کے ساتھ ساتھ حقیقی معنوں میں جنگی منصوبے آپ کے منتظر ہیں۔
ماخذ: www.habr.com